Han, hon, höna? : En kvantitativ studie om attityder till det könsneutrala personliga pronomenet hen

Språk både reflekterar och påverkar vår världssyn. Hur mottas då försök från gräsrotsnivå att introducera ett könsneutralt pronomen i ett språk som speglar den i samhället rådande könsdikotomin? Syftet med denna uppsats är att utifrån Hirdmans och Butlers respektive genusteorier undersöka vilken inställning användare på ett stort svenskt internetforum har till det könsneutrala personliga pronomenet hen. Undersökningen genomfördes med hjälp av en internetbaserad enkät som besvarades av cirka 150 personer. För att analysera svaren till de slutna frågorna tog vi hjälp av statistikprogrammet SPSS och för att bearbeta de öppna frågorna har vi använt oss av en tematisk analys. Resultatet visar på starkt polariserade åsikter runt hen, där ungefär lika många personer är för som emot ordet. Bland dem som är emot användandet av hen uppfattar de flesta att syftet med ordet är att skapa ett könslöst samhälle, medan hen-förespråkarna ser det som ett komplement till hon och han. Vi har även kunnat se att det finns ett visst samband mellan individens attityd till hen och dennes syn på kön och genus, vilket bekräftar vår hypotes om att det finns en sådan korrelation.

Financial time series analysis : Chaos and neurodynamics approach

This work aims at combining the Chaos theory postulates and Artificial Neural Networks classification and predictive capability, in the field of financial time series prediction. Chaos theory, provides valuable qualitative and quantitative tools to decide on the predictability of a chaotic system. Quantitative measurements based on Chaos theory, are used, to decide a-priori whether a time series, or a portion of a time series is predictable, while Chaos theory based qualitative tools are used to provide further observations and analysis on the predictability, in cases where measurements provide negative answers. Phase space reconstruction is achieved by time delay embedding resulting in multiple embedded vectors. The cognitive approach suggested, is inspired by the capability of some chartists to predict the direction of an index by looking at the price time series. Thus, in this work, the calculation of the embedding dimension and the separation, in Takens‘ embedding theorem for phase space reconstruction, is not limited to False Nearest Neighbor, Differential Entropy or other specific method, rather, this work is interested in all embedding dimensions and separations that are regarded as different ways of looking at a time series by different chartists, based on their expectations. Prior to the prediction, the embedded vectors of the phase space are classified with Fuzzy-ART, then, for each class a back propagation Neural Network is trained to predict the last element of each vector, whereas all previous elements of a vector are used as features.